Багатокритеріальна метрика для оцінки моделей глибокого навчання в прогнозуванні ціни біткойна

Анотація

Зростаючі обчислювальні вимоги глибокого навчання викликали занепокоєння щодо екологічної стійкості застосувань штучного інтелекту, особливо у високочастотних областях, таких як фінансове прогнозування. Cтаття розглядає потребу в більш цілісних критеріях оцінки, пропонуючи багатокритеріальну метрику оцінки для моделей глибокого навчання, що використовуються в прогнозуванні ціни біткойна. Метою дослідження є розробка метрики продуктивності, яка збалансує точність прогнозування з обчислювальною ефективністю та впливом на навколишнє середовище. Метод передбачає поєднання традиційних показників точності з часом навчання, споживанням енергії та викидами вуглецю в єдину оцінку продуктивності, розраховану за допомогою логістичної функції оцінки. Метрику було перевірено шляхом її застосування до сорока двох конфігурацій моделей з довгостроковою пам'яттю (LSTM), навчених на історичних даних про ціну біткойна. Кожну конфігурацію було оцінено за точністю прогнозування, споживанням енергії та викидами (виміряними за допомогою інструменту відстеження вуглецю). Результати показують, що простіші моделі довгої короткострокової пам’яті (LSTM) можуть запропонувати конкурентоспроможну точність, водночас значно скорочуючи час навчання та викиди. Найпродуктивніша модель досягла балансу всіх критеріїв, тоді як глибші архітектури з незначним підвищенням точності понесли непропорційні екологічні витрати. У дослідженні зроблено висновок, що запропонована метрика оцінювання пропонує практичне та масштабоване рішення для вибору моделей глибокого навчання в умовах обмежень сталого розвитку, підтримуючи більш відповідальне розгортання штучного інтелекту (ШІ) в реальних умовах.